文字起こしとは？意味、種類、仕組み

文字起こしとは、音声や動画で話された言葉を文章に変換するプロセスです。通常 transcript と呼ばれる完成した文字起こしは、録音で何が話されたかを、タイムスタンプや話者の切り替わりとともに記録し、人々が読んだり、検索したり、引用したり、再利用したりできるようにします。この言葉には、もう 1 つ科学的な意味があります。生物学では、文字起こしとは、細胞が遺伝子の DNA を RNA にコピーする段階を指します。このガイドでは両方を扱い、その後、日常的な意味に焦点を当てます。音声や動画の作業における文字起こしとは何か、文字起こしの種類、人による文字起こしと AI 文字起こし、録音を文字起こしする方法、文字起こしソフトウェアの選び方、そしてマーケティングや営業チームが transcript を取得した後にどのように活用するかを説明します。

「文字起こしとは何か」という短い答えだけが必要なら、こうです。誰か、または音声認識システムが録音を聞き、その言葉を書き起こします。逐語文字起こしのルールから SRT キャプションファイルまで、それ以外のすべては、その言葉をどれだけ忠実に書き留めるか、そして次の作業に適した文章の形をどうするかについての判断です。

転写の意味：この言葉が指すもの

多くの人が検索する「転写」の意味は、ラテン語の transcribere（「横切って書く」または「書き写す」）に由来します。一般的な用法では、転写とは別の形で存在していたものを書き起こしたものです。その別の形は通常、音声ですが、同じ言葉がいくつかの関連する作業にも使われるため、誰がどの意味で使っているのかを知ることで、多くの混乱を避けられます。

上の画像が対比している転写の意味は、2 つの分野に集約されます。以下は、皆さんが出会う可能性の高い各文脈における転写の定義です。

• 音声からテキストへ。 転写とは、音声または動画の録音に含まれる話し言葉を記録した文章です。インタビュー、会議、ポッドキャスト、講義、ウェビナー、YouTube 動画などが該当します。これは、ジャーナリスト、研究者、マーケター、法廷速記者、そして録音を扱うすべての人が使う意味です。
• 言語学。 音声表記または音素表記による転写では、国際音声記号のような表記法を使って、単語がどのように聞こえるかを書き留めます。「water」を転写する言語学者が気にするのは、単語そのものだけでなく、母音や「t」です。言語学における転写についての Wikipedia の項目では、音声転写と正書法転写の違いを説明しています。
• 音楽。 転写とは、音楽を聴いて楽譜に書き起こすこと、または別の楽器向けに編曲することを意味します。
• 医学と法律。 医療転写では、医療従事者が口述したメモを文章の記録に変換します。法律転写では、証言録取、審理、録音された供述の記録を作成します。どちらも音声からテキストへの作業ですが、正確さと書式に関する規則がより厳格です。
• 生物学。 遺伝子転写とは、DNA を RNA にコピーする細胞内のプロセスで、次のセクションで扱います。

したがって、同僚が「通話の転写」を求めている場合、最初の意味を指しています。一方、生物学の学生が「転写とは何か」と尋ねる場合は、最後の意味を指しています。この記事の残りの部分では、特に断りがない限り、転写を音声からテキストへの意味で使用します。

生物学における転写：DNA から RNA へ

分子生物学では、転写は遺伝子発現の最初の段階です。RNA ポリメラーゼと呼ばれる酵素が、遺伝子の DNA の 1 本の鎖を読み取り、対応するメッセンジャー RNA（mRNA）の鎖を作ります。その mRNA は核を離れ、タンパク質を作るための鋳型として使われます。National Human Genome Research Institute の転写に関する用語集の項目では、図を使って短く信頼できる説明を提供しています。

「transcription vs translation」という検索は、ほぼ常にこの文脈から生じます。転写では、核酸の同じ「言語」で、遺伝子の情報を書き換えて RNA にします。その後、翻訳が RNA を読み取り、アミノ酸の鎖、つまりタンパク質を作るため、情報は別の「言語」に変換されます。覚え方は簡単です。転写はコピーし、翻訳は変換します。興味深いことに、音声からテキストへの世界でも、この 2 つの言葉はほぼ同じように使われます。スペイン語のインタビューを転写するとスペイン語のテキストになり、その記録を翻訳すると英語のテキストになります。

Transcribe とはどういう意味ですか？

transcribe とは、話された言葉や録音された言葉を文章にすることです。インタビューで各人の発言を書き起こしたり、ボイスメールを文字入力したり、動画の音声をテキスト化したりすることを指します。作業を行う人は transcriber または transcriptionist、その結果は transcript、活動そのものは transcription と呼ばれます。この仕事の日々の内容を知りたい場合は、transcript.im に transcriber の仕事内容 を紹介したガイドがあります。

「 transcribe 」と「 dictate 」は、しばしば大まかに同じ意味で使われますが、実際には同じではありません。Dictation はリアルタイムで行われます。話すと、その言葉が話しているそばから表示されます。一方、transcription は通常、すでに存在する録音をもとに行うため、一時停止や巻き戻し、名前の確認、タイムスタンプの追加、最終的なテキストをどの程度整えるかの判断ができます。また、transcribe の意味は「 translate 」とも異なります。transcribing では元の言語を維持しますが、translating では言語を変更します。

文字起こしの種類

文字起こしにはいくつかの種類があり、「文字起こしとは何か」という実用的な答えは、必要な種類によって異なります。主な違いは 1 つだけです。元の発話をどれだけテキストに残すかです。適切な種類を選ぶことは、文字起こし作業における最も重要な判断です。作業にかかる時間、文字起こしの読みやすさ、利用目的が決まるからです。

イラストに示されている 4 種類の文字起こしで、実際の依頼のほぼすべてをカバーできます。以下で並べて比較します。

さらに、よく使われる用語が 2 つあります。音声表記は単語ではなく発音を記録するもので、言語学や語学教育で使われます。話者ラベル付き文字起こしは誰が何を言ったかを示すもので、インタビュー、パネルディスカッション、営業電話では重要です。上記のどの種類とも組み合わせられます。

逐語文字起こしとクリーン逐語の違い

逐語文字起こしでは、読者が通常読み飛ばす部分も含め、話された内容を正確に書き起こします。クリーン逐語では、話者の言葉と意味を保ちながら、ノイズを取り除きます。違いは例を見ると最もわかりやすくなります。

画像左側の逐語文字起こしと右側のクリーン版は、同じ文章から作られています。

• 逐語: 「それで、えーと、私たちは、その、えー、新しいオンボーディングメールを試して、えっと、開封率が上がりました。実際、かなり上がりました。」
• クリーン逐語: 「私たちは新しいオンボーディングメールを試し、開封率が上がりました。実際、かなり上がりました。」
• 編集済み: 「新しいオンボーディングメールによって、開封率が大幅に上昇しました。」

クリーン逐語版は、話者が意図した内容を、話者自身の言葉で正確に伝えています。編集済み版はより短くなっていますが、「大幅に」は話者の言葉ではなく編集者の言葉です。そのため、編集済み文字起こしは直接引用に使うべきではありません。transcript.im の クリーン逐語文字起こしに関するガイド にある便利な判断基準は次のとおりです。単語を削除すると話者の意図が変わるなら残し、文章が滑らかになるだけなら削除できます。

言い方そのものが証拠の一部となる場合は、完全逐語を使用します。たとえば、法務、会話研究、ためらいから何かを読み取るユーザーリサーチなどです。それ以外のほぼすべての用途では、クリーン逐語を使用します。多くの AI 文字起こしでは、音声認識モデルがフィラーの多くを削除する傾向があるため、デフォルトでクリーン逐語に近い結果が生成されます。

人による文字起こしと AI 文字起こし

文字起こしといえば、以前はヘッドホンを着け、フットペダルを操作する人を意味していました。現在、ほとんどの職場で「文字起こしとは何か」という問いへの答えは、自動音声認識（ASR）であり、その後に人が編集する場合もあります。どちらの方法にも、明確な適した用途があります。

人による文字起こしは、訓練を受けた文字起こし担当者が音声を聞きながら入力する方法です。一般的な目安として、明瞭な音声の場合、録音 1 時間につき約 4 時間の作業が必要で、聞き取りにくい音声ではさらに長くかかります。人間は、強い訛り、話者の声の重なり、業界用語、品質の低い録音に対して、ソフトウェアよりも適切に対応でき、厳格なスタイルガイドにも従えます。欠点は時間です。長時間の録音を人が文字起こしすると、数分ではなく数日かかります。

AI 文字起こしは、音声認識モデルを使って音声を自動的にテキストへ変換します。処理が速く、非常に長い録音にも対応でき、追加の作業なしで各行にタイムスタンプを付けられます。誤りが集中しやすいのは、名前やブランド名、数字、専門用語、話者の重なり、ノイズの多い音声など、予測しやすい箇所です。一般的な言語で明瞭に話されている音声なら、簡単な確認後にそのまま使えるほど、通常は十分な品質になります。

既存の字幕も、見落とされがちな 3 つ目の情報源です。多くのオンライン動画には、制作者が作成した字幕トラックや、プラットフォームが生成した字幕トラックがすでにあります。字幕が存在し、正確であれば、字幕を抽出するだけで新たな認識処理なしに文字起こしを取得できます。これは、YouTube transcript および動画文字起こしツールである transcript.im が最初に行う処理です。動画に利用可能な字幕がある場合はそれを使用し、字幕がない場合は AI が音声を文字起こしし、各行にタイムスタンプを付けます。

ほとんどのチームにとって現実的な答えは、ハイブリッド方式です。AI 文字起こしまたは既存の字幕で初稿を作成し、その後、名前、数字、引用する予定の内容など、重要な部分を人が確認します。

音声と動画を文字起こしする方法

手作業でもソフトウェアでも、文字起こしの手順は同じ 5 つです。録音を用意し、文字起こしの種類を決め、テキストを作成し、確認して、必要な形式で書き出します。それぞれの方法が実際にどのように進むかを説明します。

画像のワークフローは、ツールを使って音声と動画を文字起こしする方法を示しています。以下では、よくある 3 つの開始方法と手作業の方法を紹介します。

リンクから公開動画を文字起こしする

1. 公開動画のリンクをコピーします。YouTube 動画、Short、プレイリスト、チャンネル、TikTok、Instagram Reel、Facebook、LinkedIn、または X の動画が対象です。
2. transcript.im のように、リンクに対応した文字起こしツールに貼り付けます。
3. ツールは既存の字幕トラックを確認し、利用できる場合はそれを使用します。利用できない場合は、AI で音声を文字起こしします。
4. タイムスタンプ付きのテキストを読み、名前や用語を修正してから、コピーまたはダウンロードします。

プレイリスト、チャンネル、字幕のない動画を含む、プラットフォーム別の詳しい手順については、完全ガイドの 動画の文字起こし をご覧ください。

自分の動画ファイルを文字起こしする

録画したウェビナー、Zoom の書き出しファイル、製品デモ、スマートフォンで録画した動画など、動画がコンピューターに保存されている場合は、リンクを貼り付ける代わりにアップロードします。transcript.im の 動画からテキスト への変換ツールは、MP4 や MOV、MKV、WebM、AVI などの一般的な形式に対応し、音声を文字起こしして、TXT、SRT、VTT として書き出せるタイムスタンプ付きのテキストを返します。

音声ファイルを文字起こしする

ポッドキャスト、ボイスメモ、電話の録音、インタビュー音声も同じ手順で処理できます。ファイルを 音声からテキスト への変換ツールにアップロードします。transcript.im は WAV、MP3、FLAC、M4A、OGG などの一般的な音声形式に対応し、話されている言語を自動検出（または手動設定）して、すべての行にタイムスタンプを付けて録音を文字起こしします。ポッドキャストアプリでしか利用できないポッドキャストの場合は、まずエピソードのファイルをダウンロードしてからアップロードします。

手作業で文字起こしする

短い録音、機密性の高い録音、または音質が非常に悪い録音では、今でも手作業の文字起こしが適しています。実用的な方法は次のとおりです。

• 音声の速度を落とせるプレーヤーを使う。 0.75 倍速で再生すると、数秒ごとに一時停止せず、連続して入力できます。
• 短いループで作業する。 5 ～ 10 秒聞き、入力し、確認のために再生し、次へ進みます。
• 作業しながらタイムスタンプを書く。 後から該当箇所を見つけられるように、30 ～ 60 秒ごと、または話者が変わるたびにタイムスタンプを追加します。
• 聞き取れない箇所を記録する。 推測する代わりに、[inaudible 00:12:41] のような一貫したタグを使います。
• 最後に通して聞く。 音声を通常速度で再生しながらテキストを読み、内容が一致しない箇所を修正します。

手作業で文字起こしする場合でも、AI の下書きから始めて修正するほうが、何もない状態から入力するより通常ははるかに速く進みます。

文字起こしの精度に影響する要因

文字起こしの精度は、ツールよりも録音に大きく左右されます。同じ音声認識モデルでも、ポッドキャスト用マイクからの音声ならほぼ完璧な文字起こしができる一方、騒がしいカフェでスマートフォンから録音した音声では、乱れた結果になることがあります。特に重要な要因は次のとおりです。

• 音質。 話者に近いマイク、静かな部屋、1 人の話者という条件が、最良の結果をもたらします。反響、風の音、話し声に重なる音楽、音量の小ささは、すべてエラーの原因になります。
• 話者の重なり。 2 人が同時に話すと、人間もソフトウェアも言葉を聞き落とします。パネルディスカッションや白熱した営業通話は、最も難しい素材です。
• アクセントと話す速さ。 強いアクセントや非常に速い話し方は、特に使用頻度の低い言語でエラー率を高めます。
• 名前、数字、専門用語。 商品名、会社名、人名、価格、日付、技術用語は、最も頻繁に間違われます。必ず確認してください。
• 言語設定。 ツールが話されている言語を誤って推測すると、文字起こしが大きく間違うことがあります。分かっている場合は、自分で言語を設定してください。
• テキストの出所。 クリエイターが作成した字幕は通常正確です。自動生成字幕の精度にはばらつきがあります。きれいな音声を AI で文字起こしした場合は、通常しっかりした結果になります。

タイムスタンプ付きの文字起こしでは、各行が録音中の特定の瞬間に対応しているため、精度の確認はすぐにできます。タイムスタンプに移動して音声を聞き、その行を修正するだけです。公に引用したり顧客に送ったりする予定の内容については、この確認を省略できません。

文字起こしソフトウェアの選び方

文字起こしソフトウェアには、スマートフォンに組み込まれたディクテーション機能から、専用の Web アプリ、デスクトップエディター、開発者向け API まで、さまざまな種類があります。「最適な」一覧を追い求めるのではなく、自分の録音と次のステップに合うものを選びましょう。

画像のチェックリストは、文字起こしソフトウェアを導入する前に確認すべき質問です。

1. 何を取り込めますか？ 公開動画リンク（どのプラットフォームに対応していますか？）、アップロードした音声・動画ファイル（どの形式、どのサイズまで対応していますか？）、プレイリストやチャンネル全体を一括で処理できますか？
2. 既存の字幕を使用しますか？ オンライン動画の場合、まず投稿者の字幕を読み込むツールのほうが、常に再文字起こしするツールより高速で正確な場合があります。
3. 字幕がない場合はどうなりますか？ 文字起こしが利用できないと報告するだけでなく、自動的に音声を文字起こしする必要があります。
4. タイムスタンプと構成。 すべての行にタイムスタンプが保持されますか？ 行からその時点に移動できますか？
5. 言語。 どの話し言葉を認識できますか？また、タイムスタンプを維持したまま、後から文字起こしを翻訳できますか？
6. エクスポート形式。 最低限、読み取り用の TXT と字幕用の SRT または VTT に対応している必要があります。テキストをきれいにコピーできることも確認しましょう。
7. 文字起こしの後に何ができますか？ 文字起こしが目的ではなく手段である場合、要約、チャプター、メモ、書き換え機能が時間を節約します。
8. 自動化。 定期的に文字起こしを行うなら、Web インターフェースよりも API、AI エージェント向けの MCP サーバー、またはスクリプト機能のほうが重要です。
9. プライバシーと取り扱い。 録音と文字起こしデータがどのように保存され、誰がアクセスできるのかを確認しましょう。特に顧客との通話では重要です。

具体的な参考例として、transcript.im は YouTube、TikTok、Instagram、Facebook、LinkedIn、X の公開動画リンク、アップロードした音声・動画ファイルに対応しています。まず字幕を使用し、利用できない場合は AI 文字起こしを行い、すべての行にタイムスタンプを付け、TXT、SRT、VTT でエクスポートできます。また、12 言語への翻訳、AI 要約、チャプター、メモ、マインドマップに加え、自動化向けの REST API、MCP サーバー、エージェントスキルも提供しています。どのサービスを選ぶ場合でも、チームに展開する前に、デモ動画ではなく、自分たちが普段扱う録音の 1 つでテストしましょう。

文字起こしファイル形式：TXT、SRT、VTT

文字起こしは単なるテキストですが、ファイル形式によって使用できる場所が決まります。主に使用する形式は次の 3 つです。

WebVTT は HTML ビデオに組み込まれたキャプション形式です。手動でキューファイルを編集する必要がある場合は、MDN の WebVTT ドキュメントで構造を確認できます。どれが必要かわからない場合は、読む・再利用するなら TXT、ビデオプラットフォームやエディターに字幕をアップロードするなら SRT、Web サイトのビデオプレーヤーなら VTT を使用してください。

文字起こしは何に使われますか？

文字起こしは、最終成果物になることはほとんどありません。その価値は、見ることや聞くことしかできないものを、検索、引用、編集、翻訳、送信できるものに変える点にあります。このブログを読むマーケティング、営業、クリエイターチームにとって、特に効果が高い用途は次のとおりです。

コンテンツの再利用とニュースレター

1 回のウェビナー、ポッドキャストのエピソード、または YouTube 動画には、ブログ記事 1 本、複数のソーシャル投稿、ニュースレター 1 号分、そして引用文のセットを作れるだけの素材が含まれています。文字起こしがあると、それが現実的になります。録画をもう一度見直す代わりに、テキストをざっと確認し、最も良い箇所を選んで、各チャンネル向けに書き換えられるからです。すでに動画を公開しているクリエイターは、文字起こしをメールリストの骨組みとして利用できます。ニュースレターの始め方に関するガイドでは、動画やポッドキャストを定期的な配信に変える方法を紹介しています。逆の活用も可能です。ソーシャルチャンネル向けに、文章の記事を短い動画へ戻したい場合は、記事を動画に変換するツールをテキストから始められます。

営業電話、アウトリーチ、顧客調査

録音された初回ヒアリングやデモには、顧客が自分の課題を説明する際に使う正確な言葉が数多く含まれています。文字起こしを行えば、通話全体から異議、競合への言及、機能リクエストを検索でき、実際の表現をメッセージに引用できます。その表現があるからこそ、アウトリーチは関連性の高いものになります。見込み客が公開トークやポッドキャストで話した内容に触れるコールドメールは、テンプレートとはまったく違って見えます。コールドメールのパーソナライズに関する記事では、この種の調査をやりすぎずに活用する方法を解説しています。こうしたアウトリーチを送る前にアドレスを検証すれば、パーソナライズしたメールがバウンスすることなく、実際に受信トレイへ届くようにできます。

調査と AI 分析

研究者は、テーマをコード化し、回答を比較し、参加者の発言を正確に引用できるよう、インタビューを文字起こしします。マーケティングチームも、顧客インタビュー、競合のウェビナー、業界トークで同じことを行います。文字起こしは、ChatGPT、Claude、Gemini、NotebookLM などの AI ツールに録音を渡す最も簡単な方法でもあります。これらのツールは、動画へのリンクよりもテキスト上ではるかに優れた働きをします。マーケティングや営業業務でのこのワークフローについては、NotebookLMのガイドで解説しています。

アクセシビリティ

文字起こしと字幕により、音声や動画のコンテンツは、聴覚障害のある人、音声を再生できない人、そして単に読むことを好む人にも利用しやすくなります。Web アクセシビリティガイドライン（WCAG）では、事前に録音された音声にはテキストによる代替手段を、事前に録画された動画には字幕を用意することが求められています。W3C Web Accessibility Initiative の文字起こしガイドでは、優れた文字起こしに含めるべき内容を説明しています。動画の横に文字起こしを掲載すると、検索エンジンが読み取り、インデックスできるテキストも提供できます。

会議、研修、ナレッジベース

社内会議、オンボーディングセッション、研修動画は、検索できるようになると、はるかに役立つものになります。文字起こしがあれば、新入社員は 1 時間の動画を最初から見る代わりに、自分の質問への答えがある 5 分間を見つけられます。また、チームは誰かのメモに頼らず、決定事項を記録として残せます。

マーケティングおよび営業チーム向けのシンプルな文字起こしワークフロー

チームでウェビナー、デモ、またはポッドキャストを録音している場合、小さく反復可能なプロセスによって、各録音からはるかに多くの価値を引き出せます。追加の人員なしで機能する方法をご紹介します。

1. 収集する。 各録音の後、ファイルまたは公開リンクを 1 か所の共有スペースに保存します。
2. 文字起こしする。 同日中に文字起こしソフトウェアで処理し、上記の「音声と動画の文字起こし方法」の手順に従います。ほとんどの素材では、整文済みの逐語録を使用し、タイムスタンプを残します。
3. リスクの高い部分を確認する。 名前、数字、価格、製品用語を確認し、録音と照合して修正します。
4. タグを付ける。 トピック、話者、用途を示すタグを文字起こしに付けます：「異議：価格設定」、「引用：オンボーディング」、「ニュースレターのアイデア」。
5. 再利用する。 引用を営業資料やアウトリーチに取り入れ、ブログ記事またはニュースレターの構成を作成し、動画を字幕付きで公開する場合は SRT または VTT として書き出します。
6. 保存する。 最終版の文字起こしは、検索可能なフォルダまたはナレッジベースに保管し、次の担当者が見つけられるようにします。

すべての文字起こしの冒頭に短いテンプレートを置くと、アーカイブの一貫性を保てます。

Title: Q3 product webinar — onboarding emails
Date: 2026-09-14
Speakers: Maya (host), Tom (guest)
Source: webinar recording, 52 min
Type: clean verbatim, timestamped
Checked: names and numbers verified
Tags: onboarding, open rate, newsletter idea

文字起こしをメールキャンペーンに使用する場合、最後のステップはテキストではなくリストに関するものです。送信前にリストをクリーンアップし、時間をかけて作成したコンテンツが実際の購読者に届くようにします。 メールリストのクリーンアップ に関する当社のガイドでは、送信前に無効なアドレス、リスクのあるアドレス、非アクティブなアドレスを削除する方法を説明しています。

文字起こしに関する FAQ

文字起こしとは何ですか？

文字起こしとは、音声または動画内の話し言葉を文章に変換するプロセスです。結果は transcript と呼ばれ、タイムスタンプや話者ラベルが含まれる場合があります。生物学では、文字起こしは細胞が遺伝子の RNA コピーを作るプロセスも指します。

生物学における文字起こしとは何ですか？

生物学において、文字起こしとは遺伝子の DNA 配列を messenger RNA にコピーすることです。酵素 RNA polymerase が DNA を読み取り、後にタンパク質へ翻訳される RNA 鎖を構築します。

文字起こしと翻訳の違いは何ですか？

文字起こしは同じ言語の情報を文章形式にコピーし、翻訳はそれを別の言語に変換します。生物学では、文字起こしによって遺伝子から RNA が作られ、翻訳によってその RNA からタンパク質が構築されます。音声作業では、フランス語のインタビューを文字起こしするとフランス語の文章になり、翻訳すると別の言語の文章になります。

文字起こしの主な種類は何ですか？

文字起こしの主な種類には、逐語文字起こし、整文逐語文字起こし、編集済み（インテリジェント）文字起こし、タイムスタンプ付き文字起こしまたは字幕があります。これらは元の発話をどの程度残すかが異なり、逐語文字起こしではすべてのフィラーや間を残す一方、編集済み transcript では洗練された文章にします。

逐語文字起こしとは何ですか？

逐語文字起こしとは、録音内容を一語一句記録した文章で、すべてのフィラー、言い直し、繰り返し、聞こえる音を残します。法的記録や一部の研究など、どのように発言されたかが重要な場合に使用されます。

AI による文字起こしは正確ですか？

AI による文字起こしは、一般的な言語の明瞭な録音では正確です。一方で、誤りは名前、数字、専門用語、アクセント、話者が重なっている箇所に集中します。transcript を引用または公開する前に、それらの部分を録音と照合してください。

文字起こしソフトウェアとは何ですか？

文字起こしソフトウェアとは、通常は音声認識を使って音声や動画をテキストに変換するツールです。優れた文字起こしソフトウェアは、使用するソースを受け付け、タイムスタンプを保持し、使用する言語に対応し、TXT、SRT、VTT 形式でエクスポートできます。

1 時間の音声を文字起こしするにはどのくらいかかりますか？

手作業の場合、明瞭な音声 1 時間の文字起こしには通常約 4 時間かかり、ノイズが多い録音や複数話者の録音ではさらに長くかかります。AI による文字起こしなら下書きは数分で作成できますが、その後の確認に必要な時間は別途かかります。

字幕のない YouTube 動画を文字起こしできますか？

はい。動画に字幕がない場合でも、音声認識に切り替えられる文字起こしツールなら音声を文字起こしできます。transcript.im は利用可能な既存の字幕を使用し、字幕が利用できない場合は AI で音声を文字起こしします。

transcript はどのファイル形式にすべきですか？

読み取り、検索、共有には TXT を使用してください。動画編集ソフトやほとんどの動画プラットフォームで字幕を使う場合は SRT、ウェブ動画プレーヤーでキャプションを表示する場合は VTT を使用します。多くのツールでは、同じ transcript から 3 つすべての形式にエクスポートできます。